Die semantische Schicht als LLM-Kontext — analytische Modelle, Geschäftssemantik
Stand 2026-09-25
Was ist Die semantische Schicht als LLM-Kontext?
Eine semantische Schicht wurde für Menschen gebaut – sie verwandelt „Sachkonto 400100“ in „Nettoumsatz“ – und es stellt sich heraus, dass genau das auch ein LLM braucht: gesteuertes Vokabular, Hierarchien und Geschäftsregeln, mit denen ein Agent argumentieren kann, statt aus rohen Spaltennamen zu raten. Für Just Ask freigegebene analytische Modelle sind Datasphere’s Version davon, und ihre Qualität wird inzwischen automatisch geprüft, bevor Joule sie überhaupt nutzt.
Die für Menschen gebaute Schicht erweist sich als die Schicht, die KI braucht
Eine semantische Schicht war nie ein KI-Konzept. Jahrzehnte bevor Joule existierte, bauten BI-Tools eine, weil ein Finanzanalyst sich nicht merken sollte, dass der Umsatz in Tabelle FAGLFLEXT liegt und dass eine Währungsumrechnung laufen muss, bevor eine Zahl irgendeinen Sinn ergibt – die semantische Schicht erledigte diese Übersetzung einmal, zentral, sodass jeder Bericht dasselbe Vokabular und dieselben Regeln nutzte. Was sich geändert hat, ist, wer diese Schicht nun sonst noch liest: Ein LLM, das gefragt wird „wie hoch war unser Nettoumsatz in Deutschland im letzten Quartal“, kann aus einem rohen Schema nicht korrekt antworten, aber es kann korrekt aus einem Modell antworten, das Nettoumsatz bereits als Kennzahl definiert, Deutschland als Mitglied einer Geografie-Hierarchie, und letztes Quartal als Zeitdimension mit eingebautem Geschäftsjahreskalender. Die semantische Schicht wurde für Menschen gebaut und erweist sich als genau der abrufungsfreie, strukturierte Kontext, den ein LLM braucht, um aufzuhören zu raten.
Warum es zählt
- Eine semantische Schicht ist keine KI-Erfindung — sie ist jahrzehntealte BI-Disziplin, die sich als genau der strukturierte, gesteuerte Kontext erweist, den ein LLM braucht; sie als neue Joule-Arbeit statt als Wiederverwendung bestehender Modellierungsdisziplin zu behandeln, verdoppelt den Aufwand.
- Eine Hierarchie- oder Bezeichnungslücke, die ein menschlicher Berichtsautor still umgeht, wird für Joule zu einem Mangel, der eine konversationelle Antwort verschlechtert — die Toleranz für Mehrdeutigkeit ist für ein LLM viel geringer als für einen menschlichen Berichtsleser.
- Die Wahl zwischen einem durch die semantische Schicht vermittelten Pfad und einem Text-to-SQL-Pfad (C354) ist ein Governance-Abwägung, keine Technologiepräferenz — zu wissen, welchen ein Anwendungsfall braucht, verändert den gesamten Delivery-Ansatz.
Kernpunkte
- Die semantische Schicht geht KI voraus: Kennzahlen, Hierarchien, Währungslogik und Geschäftsbezeichnungen, aufgebaut auf Datasphere-Views für menschliches Reporting.
- Was sich geändert hat, ist der Leser: Ein LLM braucht dasselbe gesteuerte Vokabular, um nicht die Bedeutung aus rohen Spaltennamen zu erraten.
- Ein für Just Ask freigegebenes Modell wird über denselben Pfad für Joules Analytical Insights erreichbar (C348, C335) — die semantische Schicht macht diese Erreichbarkeit bedeutungsvoll.
- Die Q3-2026-Modell-Bereitschaftsprüfung von SAC markiert fehlende Semantik, unklare Hierarchien und mehrdeutige Bezeichnungen, bevor sie eine Joule-Antwort verschlechtern — ein Linter für Bedeutung, kein Datenqualitätswerkzeug.
- Durch die semantische Schicht vermitteltes NLQ tauscht Flexibilität gegen Governance-Garantien, im Vergleich zur direkten Text-to-SQL-Erdung auf rohen Schemata (C354).
- Das Design der semantischen Schicht sollte als Joule-Bereitschafts-Liefergut geprüft werden, erneut nach jeder strukturellen Änderung eines freigegebenen Modells.
Begriffe auf dieser Seite
- Semantische Schicht
- Das gesteuerte Vokabular — Kennzahlen, Hierarchien, Währungslogik, Geschäftsbezeichnungen —, das zwischen rohen Tabellen und einem Bericht oder KI-Agenten sitzt.
- Analytisches Modell
- Das Datasphere-/SAC-Objekt, das die semantische Schicht für einen bestimmten Geschäftsbereich trägt, für Just Ask freigebbar.
- Modell-Bereitschaftsprüfung
- Der automatisierte Q3-2026-Durchlauf von SAC über ein Modell, der fehlende Semantik, unklare Hierarchien und mehrdeutige Bezeichnungen markiert.
- Text-to-SQL
- Der alternative Ansatz, der ein LLM direkt auf Datenbankschemata statt auf einer semantischen Schicht erdet — siehe C354.
Quellen
Vollständige Karte für Mitglieder. Was die vollständige Karte ergänzt: den vollständigen Entscheidungsrahmen · die häufigen Fallstricke und ihre Behebung · die Kurzreferenz · die zitierfähigen Kennzahlen.